用于弱监督目标定位的熵引导对抗模型
计算机视觉与模式识别
2021-09-23 v1
摘要
弱监督目标定位因缺乏边界框标注而具有挑战性。先前的工作倾向于生成类激活图（即 CAM）来定位目标。遗憾的是，网络仅激活区分该目标的特征，而不能激活整个目标。一些方法倾向于移除目标的某些部分以迫使 CNN 检测其他特征，而另一些方法则改变网络结构以从模型的不同层级生成多个 CAM。在本文中，我们提出利用网络的泛化能力，并使用干净样本与对抗样本训练模型以定位整个目标。对抗样本通常用于训练鲁棒模型，是添加了扰动的图像。为获得良好的分类精度，用对抗样本训练的 CNN 被迫检测更多区分目标的特征。我们进一步提出对网络生成的 CAM 施加香农熵以在训练过程中引导它。我们的方法既不擦除图像的任何部分，也不改变网络架构，大量实验表明我们的熵引导对抗模型（EGA 模型）在定位与分类精度的当前最优基准上均提升了性能。
引用
@article{arxiv.2008.01786,
title = {Entropy Guided Adversarial Model for Weakly Supervised Object Localization},
author = {Sabrina Narimene Benassou and Wuzhen Shi and Feng Jiang},
journal= {arXiv preprint arXiv:2008.01786},
year = {2021}
}